Image-to-Markup / im2latex

Image-to-Markup / 数据集

IM2LATEX-100K
公式识别数据集

渲染后的数学公式图片与对应 LaTeX 源码，用于训练和评估图片转 LaTeX 模型。

Yuntian Deng、Anssi Kanervisto 与 Alexander M. Rush 在 2016 年原始论文 What You Get Is What You See: A Visual Markup Decompiler 中介绍此数据集。数据使用的推荐研究引用为下方 ICML 2017 论文。

下载文件Hugging Face 导出训练与评估论文引用

数据来源与原始研究

数据集从 Cornell KDD Cup 收录的 arXiv 论文 LaTeX 源码中提取公式，再渲染成图片。2016 年的研究涵盖公式图像转 LaTeX 与合成网页图像转 HTML。

原始 Zenodo 归档由合作者 Anssi Kanervisto 制作并上传；归档记录显示的发布日期为 2016 年 6 月 21 日。项目的代码仓库提供预处理、训练和评估实现。

后续 Image-to-Markup Generation with Coarse-to-Fine Attention 发表于 ICML 2017，作者为 Yuntian Deng、Anssi Kanervisto、Jeffrey Ling 与 Alexander M. Rush，研究由粗到细的注意力机制。

使用镜像或处理后的版本：请保留原始研究引用，并注明使用的具体分发版本。新文件格式、重新渲染或托管位置的变化，需要与原始数据来源一同记录。

选择数据版本

数据版本与划分

论文报告、托管文件列表与后来的 Hugging Face 导出具有不同样本数。请按实际使用的文件和数据划分报告实验。

论文按发表版本记录；托管文件数量核验于 2026 年 10 月 19 日。不同版本的测试集分别记录。
版本训练集验证集测试集计数说明
ICML 2017 论文83,8839,31910,354论文报告共 103,556 个样本
项目托管原始列表83,8849,32010,355共 103,559 条列表记录
项目托管处理后列表75,2758,37010,355共 94,000 条记录；测试集转换格式，不作过滤
HF 规范化导出55,0336,0726,810共 67,915 行，目标为规范化 LaTeX
HF 目标表示导出165,09918,21620,430共 203,745 行；每个源样本对应三种目标表示

每个托管公式列表含 103,559 个索引行。保留分词与规范化列表中的空记录；删除空行会改变后续索引。托管记录数与论文实验样本数分别保留。文件大小与哈希 · SHA-256 校验值

直接下载

原始项目文件

复现原始流程时，请使用仓库配套的预处理与评估脚本。

处理后的文件

处理流程裁剪图片、下采样、按批次填充，并对公式分词或规范化。训练集与验证集经过过滤，测试列表转换格式但不作过滤。

原始文件

原始列表格式为 formula_index image_name render_type，处理后列表为 image_filename formula_index。公式索引从 0 开始。

IM2LATEX-100K-HANDWRITTEN

论文用于预训练的合成手写公式版本，与原始印刷公式数据集分别记录。

Hugging Face

加载图像—公式对

yuntian-deng/im2latex-100k

共 67,915 行，分为 train、val 和 test。字段为 image、formula 和 filename；目标是规范化 LaTeX。

yuntian-deng/im2latex-100k-raw

增加 preprocessing 字段，区分 none、tokenized 与 normalized 三种目标表示。203,745 行对应相同的 67,915 个源样本，而非三倍独立图片。

这些导出是项目数据的子集。preprocessing 描述目标字符串，不能作为需要再施加到图片上的变换。训练指南提供固定版本的加载示例，并说明重复文件名、划分重叠和评估注意事项。

复现与使用

训练前先核对数据

保留索引与换行方式

按 LF 换行读取原始公式列表，保留空记录和原始行号。结合划分列表与图片检查每条记录；训练指南提供读取示例。

记录预处理与指标

保存数据版本或文件哈希、数据划分、公式规范化、图像预处理和解码设置。不同 LaTeX 字符串能够渲染为相同公式。评估说明区分文本指标与渲染图像指标。

区分印刷与合成手写数据

IM2LATEX-100K 原始图片由 LaTeX 渲染生成。单独的手写归档包含合成手写公式，其生成与迁移实验见 ICML 论文。它不是人工书写样本的采集库。

数据与代码许可

原始数据归档声明 CC0 1.0；模型代码采用 MIT 许可。重新分发处理或手写版本时，请核对该版本的说明。此数据集用于数学公式识别研究，渲染的科学公式与扫描、拍照和真实手写图片具有不同的输入分布。

论文与引用

引用原始研究，注明数据版本

使用 IM2LATEX-100K、处理版本或 Image-to-Markup 模型时，请引用 ICML 2017 论文，并注明实际使用的数据版本和预处理。使用镜像或衍生版本时，同时保留原始数据集与新增工作的贡献说明。

ICML 2017 论文

Yuntian Deng, Anssi Kanervisto, Jeffrey Ling, Alexander M. Rush. Image-to-Markup Generation with Coarse-to-Fine Attention. ICML 2017，PMLR 70:980–989。

下载 ICML 2017 BibTeX下载 CSL-JSON下载 CITATION.cff
@inproceedings{pmlr-v70-deng17a,
  title = {Image-to-Markup Generation with Coarse-to-Fine Attention},
  author = {Deng, Yuntian and Kanervisto, Anssi and Ling, Jeffrey and Rush, Alexander M.},
  booktitle = {Proceedings of the 34th International Conference on Machine Learning},
  pages = {980--989},
  year = {2017},
  volume = {70},
  series = {Proceedings of Machine Learning Research},
  publisher = {PMLR},
  url = {https://proceedings.mlr.press/v70/deng17a.html}
}

2016 年原始论文

Yuntian Deng, Anssi Kanervisto, Alexander M. Rush. What You Get Is What You See: A Visual Markup Decompiler. 2016 年 9 月 16 日，arXiv:1609.04938v1。该版本介绍 IM2LATEX-100K，并研究公式图像转 LaTeX 与网页图像转 HTML。讨论原始研究和图像转 HTML 时，请引用这一版本。

下载 2016 年 BibTeX
@article{deng2016visualmarkup,
  title = {What You Get Is What You See: A Visual Markup Decompiler},
  author = {Deng, Yuntian and Kanervisto, Anssi and Rush, Alexander M.},
  journal = {arXiv preprint arXiv:1609.04938v1},
  year = {2016},
  url = {https://arxiv.org/abs/1609.04938v1}
}

使用原始归档时，还应注明 Anssi Kanervisto 发布的 IM2LATEX-100K 数据归档，DOI 10.5281/zenodo.56198。数据归档与研究论文分别记录数据发布和研究贡献。